考虑风-光不确定性的风-光-蓄-火联合调度研究

在当前风电和光伏大规模并网的背景下,要确保能源供应的稳定性和高效性,关键任务是确定合适的可再生能源渗透率,并精确配比可再生能源与储能系统的容量。因此,在考虑风、光不确定性的基础上,构建风-光-蓄-火优化调度模型,使用拉丁超立方抽样法模拟模型中风电和光伏出力场景,再基于Kantorovich距离的同步回代消除算法对生成的风、光出力场景进行缩减,并通过改进的粒子群算法对模型进行求解。以白莲河抽水蓄能电站为例,结合当地的实测风速、光照数据,探究有无抽蓄参与以及不同能源容量配比下的调度结果,得到以下结论:①抽蓄电站的加入使得联合系统收益增加了428.06万元,风、光出力的波动性降低了12.24%,可再生能源的弃电率下降了5.62%,污染物排放也得到了减少。②抽蓄与可再生能源装机容量比例在1∶8.33范围内配置较为合理,在1∶5.21时可再生能源弃电率达到最低。③当可再生能源渗透率为71.09%,抽蓄与可再生能源装机容量比例为1∶6.25时,风-光-蓄-火联合运行边际效益最大。

基于现货交易下含柔性负荷的风-光-火联合调度

为了提高新能源消纳,减少弃风弃光,提出了一种基于现货交易下含柔性负荷的风-光-火的联合调度方法,首先计算出自平衡模式下的火电功率以及弃风弃光率;然后在现货交易下根据柔性负荷的可调节量,计算现货交易量及火电机组的功率以及弃风弃光率;其次计算出考虑柔性负荷下的柔性负荷调用量以及弃风弃光率;对比不同调度方法下的新能源的消纳率,计算表明该调度方法可以较大幅度的减少弃风弃光,对实际电网的运行具有较大的指导作用。

基于改进粒子群算法的风电火电联合调度方法

针对电力系统风电并网中出现的随机波动性与不确定性问题,建立风-火联合调度数学模型,并提出一种改进粒子群算法对该模型进行求解,以提高电力系统运行的经济性和可靠性。改进粒子群算法(Improved Particle Swarm Optimization,IPSO)从添加粒子速度自适应和添加位移更新自适应两方面对基本粒子算法(PSO)进行改进。仿真结果验证了IPSO具有更高的精度和更快的收敛速度。采用IPSO对10机组算例模型进行优化计算,计算结果验证了所建模型的正确性和所提改进算法的有效性。

基于深度强化学习与演化计算的风-水-火混合增强智能调度

火电、水电和风电是我国电力工业系统的三大能源主体,根据风-水-火发电互补特性,建立联合优化调度模型对于降低电力系统运行成本以及促进新能源消纳具有重要意义.然而梯级水电站间的时空耦合性、风电的不确定性以及风-水-火多能源相互关联的复杂约束使得联合调度模型求解较为困难.因此,本文提出了一种基于深度强化学习(deep reinforcement learning,DRL)与演化计算的混合增强智能优化框架.该框架首先利用深度强化学习与风-水-火联合调度模型进行交互,并根据交互数据对联合调度模型复杂规律进行持续学习,优化自身控制策略,提高智能体泛化能力.此后,在解决实际调度问题时,为进一步提升算法的个性化能力,利用演化计算算法(particle swarm optimization,PSO)在经过训练的DRL上进一步优化调度方案,实现风-水-火联合调度的快速决策.算例分析表明,所提出的混合增强智能优化框架求解速度快、寻优能力强,提升了DRL优化性能的鲁棒性,提高了风-水-火系统运行的经济性及风电消纳能力.